-
公开(公告)号：CN109902340A
公开(公告)日：2019-06-18
申请号：CN201910050607.3
申请日：2019-01-20
Applicant: 东北电力大学
Inventor： 黄南天 , 王文婷 , 蔡国伟 , 杨冬锋 , 黄大为 , 杨德友 , 孔令国 , 王燕涛 , 张祎祺 , 杨学航 , 包佳瑞琦 , 吴银银 , 李宏伟 , 赵文广 , 刘德宝 , 张良 , 刘博
Abstract: 本发明是一种计及复杂气象耦合特性的多源-荷联合场景生成方法，其特点是，包括：风速、辐照、负荷等与气象因素的相关性分析，确定源-荷气象耦合特性集合；针对历史气象数据进行聚类分析，获得具有不同气象特点的聚类结果；以类内所含日期中风速、辐照、负荷历史数据，构建基于数据驱动的深度MDVAE联合场景生成模型；通过生成的风速、辐照转化为风-光出力，构建多源-荷场景。本发明解决了风-光等可再生能源出力不确定性建模困难的问题，提高了生成场景集与实测数据间概率分布的相似性。
-
公开(公告)号：CN104459397A
公开(公告)日：2015-03-25
申请号：CN201410740831.2
申请日：2014-12-08
Applicant: 东北电力大学
IPC: G01R31/00
Abstract: 本发明是一种采用自适应多分辨率广义S变换的电能质量扰动识别方法，其特点是，包括电能质量扰动信号采集、将扰动信号利用自适应多分辨率广义S变换进行处理、扰动信号特征提取和设计决策树分类器对样本进行分类等步骤。与以往的电能质量扰动分类方法相比，在保证了单一扰动的识别准确率基础上，考虑到各频域特征的表现需要，分频域设计窗宽调整因子，能够进一步提高复合扰动的识别准确率，具有科学合理，适应性强，较高的推广应用价值等优点。
-
公开(公告)号：CN104113084A
公开(公告)日：2014-10-22
申请号：CN201410369925.3
申请日：2014-07-31
Applicant: 东北电力大学
IPC: H02J3/38
CPC classification number: Y02E10/763
Abstract: 本发明是一种风电-制氢并网发电系统的控制方法，包括建立基于双馈感应发电机的风电机组模型、建立电解槽模型和对并网发电系统进行控制等内容，能够充分反应对风电-制氢并网发电系统建模与控制的有效性；提高了电网对新能源的接纳能力，适应性强，具有较高的实际应用价值。
-
公开(公告)号：CN119253576A
公开(公告)日：2025-01-03
申请号：CN202411173332.X
申请日：2024-08-26
Applicant: 东北电力大学
IPC: H02J3/00 , G01W1/10 , G06F18/2113 , G06F18/213 , G06N3/042 , G06N3/0442 , G06N3/045 , G06Q50/06 , G06N3/048 , G06F123/02
Abstract: 本发明公开的基于时‑空图卷积神经网络的广域多风电场短期预测方法，具体按以下步骤实施：S1、确定强相关气象特征；S2、确定时‑空图多节点特征集；S3、以多风电场之间历史出力相关性作为时‑空图边特征；S4、引入时‑空图神经网络中信息传播机制，构建聚合历史出力强相关场站数据天气预报和历史出力高维特征的信息传播机制，S5、在时‑空图神经网络训练过程中引入绝对误差损失和交叉熵损失相结合的损失函数，结合门控循环单元层完成多风电场短期预测。本发明的基于时‑空图卷积神经网络的广域多风电场短期预测方法，解决现有技术中存在的风电功率的预测值与实际值存在较大差异的问题。
-
公开(公告)号：CN114465256B
公开(公告)日：2024-06-21
申请号：CN202210079212.8
申请日：2022-01-24
Applicant: 东北电力大学
Abstract: 本发明公开了多节点电动汽车充电负荷联合对抗生成区间预测方法，包括分析待预测日和历史日联合充电场景中多节点充电负荷间时‑空相关性，确定描述多节点电动汽车充电行为的原始多节点多相关日联合充电场景集；利用梯度惩罚Wasserstein生成对抗网络刻画充电负荷时‑空分布强随机性，对抗生成海量与原始场景集具有相似概率分布但时序分布存在差异的联合充电场景；根据生成的多节点多相关日联合充电场景集，采用加权2‑D相关系数筛选出与待预测日强相关联合场景集；根据待预测日强相关联合场景集获得多节点充电负荷区间预测结果；能更有效预测配网空间内电动汽车充电负荷时‑空分布，更有利于提高配电网运行的稳定性与经济性。
-
Patent Agency Ranking
公开(公告)号：CN112329335B
公开(公告)日：2024-03-01
申请号：CN202011139435.6
申请日：2020-10-22
Applicant: 杭州电力设备制造有限公司 , 东北电力大学
IPC: G06F30/27 , G06Q10/04 , G06Q50/06 , G06N3/0442 , G06N3/086 , G06N3/126 , G06F111/10 , G06F113/08
Abstract: 本发明一种变压器油中溶解气体含量的长期预测方法，利用遗传算法对数据时间窗步、网络隐藏层、训练次数、随机失活参数进行寻优，克服预测模型预测结果精度低的问题；本发明提出的长短期记忆人工神经网络与遗传算法结合的预测模型相比于传统的预测模型有着更高的长期预测精度，可以更好地追踪油中溶解气体的变化趋势。
-
公开(公告)号：CN116070458A
公开(公告)日：2023-05-05
申请号：CN202310166832.X
申请日：2023-02-24
Applicant: 国网内蒙古东部电力有限公司经济技术研究院 , 国网内蒙古东部电力设计有限公司 , 国家电网有限公司 , 东北电力大学
Inventor： 唐健 , 刘建飞 , 刘宏扬 , 王鑫陶 , 张伟 , 赵立军 , 王俊生 , 金国锋 , 康赫然 , 张昭 , 张涛 , 张秀路 , 杨世峰 , 王姣 , 刑敬舒 , 武靖涵 , 黄南天
IPC: G06F30/20 , G06F18/23213 , G06F111/08 , G06F113/06
Abstract: 本发明公开了基于RAC‑GAN的新建风电场场景生成方法，具体按照如下步骤实施：步骤1、采用Pearson系数对气象因素进行筛选，获取对风电出力影响较大的气象因素；步骤2、利用气象因素，采用灰色关联度法对多个出力数据充足的风电场与新建风电场的气象历史数据时序变化一致性进行分析，将气象相关性高的风电场作为源电站；步骤3、采用K‑means方法对源电站气象数据进行聚类；步骤4、以簇信息作为RAC‑GAN模型的标签，以源电站出力数据为依据开展目标电站场景生成。本发明采用源电站选取方法，更具有效性；能够较好地实现新建风电场的风电出力场景生成，有效填补新建风电场的数据空缺；具有一定的实用意义。
-
公开(公告)号：CN115275999A
公开(公告)日：2022-11-01
申请号：CN202210951120.4
申请日：2022-08-09
Applicant: 东北电力大学
IPC: H02J3/00 , H02J7/00 , H02J7/04 , G06Q10/04 , G06F30/27 , G06N3/00 , G06F17/16 , G06Q50/06 , B60L53/00 , B60L53/60 , B60L53/63 , B60L53/64 , G06F111/06
Abstract: 本发明公开了计及电动汽车时变道路阻抗的配电网优化调度方法，具体按照以下步骤实施：建立计及时变道路阻抗的电动汽车出行路径选择模型，通过增强型Dijkstra路径搜索算法确定电动汽车出行路径；建立计及时变温度、交通路况因素的电动汽车充电负荷模型，结合电动汽车出行路径确定电动汽车充电功率；建立考虑配网经济运行的多目标优化调度模型，向该模型中输入电动汽车充电功率，采用基于动态学习因子的多目标粒子群算法对考虑配网经济运行的多目标优化调度模型求解含电动汽车充电功率分布；通过本发明配电网优化调度方法能够减小配电网负荷标准差、联络线功率标准差，降低配电网调度运行成本。
-
公开(公告)号：CN114465256A
公开(公告)日：2022-05-10
申请号：CN202210079212.8
申请日：2022-01-24
Applicant: 东北电力大学
Abstract: 本发明公开了多节点电动汽车充电负荷联合对抗生成区间预测方法，包括分析待预测日和历史日联合充电场景中多节点充电负荷间时‑空相关性，确定描述多节点电动汽车充电行为的原始多节点多相关日联合充电场景集；利用梯度惩罚Wasserstein生成对抗网络刻画充电负荷时‑空分布强随机性，对抗生成海量与原始场景集具有相似概率分布但时序分布存在差异的联合充电场景；根据生成的多节点多相关日联合充电场景集，采用加权2‑D相关系数筛选出与待预测日强相关联合场景集；根据待预测日强相关联合场景集获得多节点充电负荷区间预测结果；能更有效预测配网空间内电动汽车充电负荷时‑空分布，更有利于提高配电网运行的稳定性与经济性。
-
公开(公告)号：CN109886465B
公开(公告)日：2022-03-18
申请号：CN201910050608.8
申请日：2019-01-20
Applicant: 东北电力大学
Inventor： 黄南天 , 王文婷 , 蔡国伟 , 杨冬锋 , 黄大为 , 杨德友 , 孔令国 , 王燕涛 , 杨学航 , 包佳瑞琦 , 吴银银 , 张祎祺 , 李宏伟 , 陈庆珠 , 刘宇航 , 张良 , 刘博
Abstract: 一种基于智能电表用户聚类分析的配电网负荷预测方法，其特征是，包括：分析智能电表用户的负荷波动性，按照波动程度将一天24小时分成3个波动程度有差异的时段；确定预测器输入特征集，并分析该特征集合下，不同用户的特征重要度；以特征重要度集合描述用户差异，并对用户进行SDCKM聚类，将输入特征具有相似响应程度的用户分为一类，日内不同配网总负荷波动程度时段最优聚类结果采用统计实验确定；选取基于集成学习的随机森林预测器，针对不同波动程度时段最优聚类结果，分别构建滚动预测模型。解决了聚类中心初始点选取具有随机性，容易陷入局部最优的问题，降低了滚动预测模型的预测误差，提高基于智能电表用户的配电网负荷预测精度。
-
-
-
-
-
-
-
-
-
Search Results
95
records
(took 0.062 seconds)
